Pocket TTS Spokenword - это улучшенная версия Kyutai's Pocket TTS, которая превращает обычный текст в аудиокниги с эмоциональной выразительностью. Вместо того чтобы просто озвучивать слова, сервис анализирует эмоции в тексте и адаптирует голос под настроение повествования. Радость, грусть, гнев, страх, удивление или нейтральность - система распознает шесть классов эмоций и делает озвучку живой и естественной.
Работает на базе искусственного интеллекта DistilRoBERTa, который определяет эмоциональную окраску текста. Умная система разбивает текст на фрагменты с учетом структуры предложений и абзацев, сохраняя логику повествования. Можно настроить чувствительность к эмоциям, выбрать режим разбивки текста и установить лимит слов для каждого фрагмента.
Сервис поддерживает клонирование голоса - загружаешь аудиофайл, и система создает озвучку с сохранением эмоциональных особенностей. В комплекте идет графический интерфейс для удобной работы: отслеживание прогресса, возможность перегенерировать отдельные фрагменты, пакетная обработка файлов. Есть готовый каталог голосов на выбор, включая alba, marius, javert, jean, fantine, cosette, eponine и azelma.
Работает только на процессоре, без необходимости в видеокарте. Модель компактная - всего 100 миллионов параметров плюс модуль анализа эмоций. Скорость генерации в 4-6 раз быстрее реального времени на современных процессорах, использует от одного до четырех ядер. Поддерживает Python версий 3.10, 3.11, 3.12, 3.13 и 3.14, требует PyTorch 2.5 и выше. Настройки можно сохранять в YAML-файлах для разных типов контента - художественной литературы с высокой эмоциональной чувствительностью или технической документации с нейтральной подачей.
Блог